书籍详情
网络科学与计算
作者：吴斌，宋晨光，白婷 著
出版社：北京邮电大学出版社
出版时间：2019-08-01
ISBN：9787563558407
定价：¥48.00
购买这本书可以去
内容简介
《网络科学与计算》以网络科学为核心内容，并结合大数据相关计算技术，介绍了网络科学基础知识和与之相关的计算方法。《网络科学与计算》重点内容包括网络科学引言、网络基本特征、典型网络模型、网络过程模型、网络特征计算方法、图计算重要算法、图计算框架、大数据下的网络计算等。《网络科学与计算》突出介绍在现今大规模网络和相关数据不断涌现的背景下与网络科学相关的基本理论和计算技术。《网络科学与计算》可作为计算机学科相关专业，特别是数据科学与大数据技术专业的专业教材。
作者简介
吴斌，男，北京邮电大学计算机学院数据科学与服务中心教授，博士生导师。 1991年毕业于北京邮电大学， 获学士学位；1998年就读于中国科学院研究生院，获硕士学位；2002年毕业于中国科学院计算技术研究所， 获博士学位。主要研究涉及数据科学领域，包括分布式计算、云计算、人工智能与机器学习、知识管理、复杂网络等。从事相关技术在电子政务、国家安全、智慧城市等领域的应用。主持一项国家重点研发计划项目，并承担多项国家重点基础研究发展计划项目、国家高技术研究发展计划项目、国家自然科学基金项目等国家科研项目课题、以及企业横向项目等数十项研究课题及应用开发项目。在国内外重要学术刊物及会议上发表学术论文100余篇，撰写专著2本，申请发明专利5项，软件著作权7项。
目录
第1章 网络科学引言
1．1 网络科学定义
1．2 无处不在的网络
1．3 复杂性科学与复杂网络
1．3．1 复杂性科学定义
1．3．2 复杂性科学的研究对象
1．3．3 复杂网络的介绍
1．4 网络科学的发展
1．4．1 Konigsberg七桥问题
1．4．2 随机图理论
1．4．3 小世界实验
1．4．4 弱连接的强度
1．4．5 复杂网络研究的新纪元
1．5 网络科学与计算
1．5．1 大数据时代下的图计算
1．5．2 图计算的特征
1．5．3 图计算的挑战
1．5．4 图计算的应用
习题
本章参考文献
第2章 网络基本特征
2．1 静态网络
2．1．1 网络的表示
2．1．2 节点与边的统计特征
2．1．3 节点的排序特征
2．1．4 子图特征
2．1．5 全图特征
2．2 经典真实世界网络
习题
本章参考文献
第3章 典型网络模型
3．1 随机图模型
3．1．1 规则模型
3．1．2 随机图模型
3．1．3 模型拓扑性质分析
3．2 小世界模型
3．2．1 WS小世界模型
3．2．2 NW小世界模型
3．2．3 模型拓扑性质分析
3．3 无标度模型
3．3．1 BA无标度模型
3．3．2 Price模型
3．3．3 BA无标度模型拓扑性质分析
3．4 其他模型
3．4．1 自相似模型
3．4．2 局域世界演化模型
习题
本章参考文献
第4章 网络过程模型
4．1 传播模型
4．1．1 传染病模型
4．1．2 均匀网络的传播临界值分析
4．1．3 非均匀网络的传播临界值分析
4．1．4 免疫控制策略
4．2 网络同步
4．2．1 网络同步的依据
4．2．2 网络同步能力分析
习题
本章参考文献
第5章 网络特征计算方法
5．1 基本特征计算
5．2 节点统计特征计算
5．3 节点排序特征计算
5．3．1 接近中心性计算
5．3．2 介数中心性计算
5．3．3 PR值计算
5．3．4 权威值和枢纽值计算
5．4 子图特征计算
5．4．1 连通分量与强连通分量
5．4．2 极大和最大完全子图
5．4．3 模体
5．5 全图特征计算
5．5．1 单源最短路径
5．5．2 多源最短路径
5．5．3 平均路径长度和网络直径
5．5．4 网络密度
5．5．5 聚集系数
5．5．6 同配系数
习题
本章参考文献
第6章 图计算重要算法
6．1 社区发现
6．1．1 社区定义
6．1．2 评价指标
6．1．3 社区发现算法
6．1．4 社区发现趋势
6．2 链路预测
6．2．1 链路预测介绍
6．2．2 基于相似性的链路预测算法
6．2．3 基于最大似然估计的链路预测算法
6．3 信息传播
6．3．1 独立级联模型
6．3．2 线性阈值模型
6．4 面向图的表示学习
6．4．1 图表示学习的定义及目标
6．4．2 图表示学习的常用算法
习题
本章参考文献
第7章 图计算框架
7．1 大数据计算框架
7．1．1 批处理框架
7．1．2 流计算框架
7．1．3 交互式分析框架
7．1．4 其他类型的框架
7．2 常用的图计算框架
7．2．1 节点中心计算模型
7．2．2 边中心计算模型
7．2．3 路径中心计算模型
7．2．4 子图中心计算模型
7．3 图计算相关软件
7．3．1 Pregel
7．3．2 Spark GraphX
7．3．3 GraphLab
7．3．4 XStream
7．3．5 GraphLab PowerGraph
7．3．6 PathGraph
7．3．7 Apache Giraph
7．3．8 GRAPE
7．3．9 Scalable Graph
7．3．1 0TurboGraph
习题
本章参考文献
第8章 大数据下的网络计算
8．1 GraphX特性
8．1．1 GraphX的优势
8．1．2 弹性分布式属性图
8．1．3 GraphX支持的处理方式
8．1．4 GraphX支持的存储方式
8．2 用GraphX处理大规模图
8．2．1 GraphX计算模式
8．2．2 内置算法简析
8．3 大规模社交网络挖掘平台
8．3．1 平台整体设计
8．3．2 网络特征指标计算的并行化
8．3．3 社团发现算法的并行化
8．3．4 平台使用实例
8．4 Graph OLAM大规模多维网络分析框架
8．4．1 路径维度立方体模型
8．4．2 Graph OLAP简介
8．4．3 基于路径维度立方体的大规模多维网络分析框架
本章参考文献
第9章 网络科学应用
9．1 在线社交网络分析
9．1．1 虚拟社区发现
9．1．2 在线社交网络影响力分析
9．1．3 信息传播规律
9．2 知识图谱
9．2．1 知识图谱的定义与架构
9．2．2 知识图谱的构建技术
9．2．3 知识图谱的应用
9．3 复杂网络的鲁棒性
9．4 社会计算
9．4．1 社会计算的兴起与现状
9．4．2 社会计算的研究领域
9．5 用户画像
9．6 应用系统实例
9．6．1 学者画像系统
9．6．2 微博信息传播可视化工具
9．6．3 知识图谱搜索
本章参考文献
1．1 网络科学定义
1．2 无处不在的网络
1．3 复杂性科学与复杂网络
1．3．1 复杂性科学定义
1．3．2 复杂性科学的研究对象
1．3．3 复杂网络的介绍
1．4 网络科学的发展
1．4．1 Konigsberg七桥问题
1．4．2 随机图理论
1．4．3 小世界实验
1．4．4 弱连接的强度
1．4．5 复杂网络研究的新纪元
1．5 网络科学与计算
1．5．1 大数据时代下的图计算
1．5．2 图计算的特征
1．5．3 图计算的挑战
1．5．4 图计算的应用
习题
本章参考文献
第2章 网络基本特征
2．1 静态网络
2．1．1 网络的表示
2．1．2 节点与边的统计特征
2．1．3 节点的排序特征
2．1．4 子图特征
2．1．5 全图特征
2．2 经典真实世界网络
习题
本章参考文献
第3章 典型网络模型
3．1 随机图模型
3．1．1 规则模型
3．1．2 随机图模型
3．1．3 模型拓扑性质分析
3．2 小世界模型
3．2．1 WS小世界模型
3．2．2 NW小世界模型
3．2．3 模型拓扑性质分析
3．3 无标度模型
3．3．1 BA无标度模型
3．3．2 Price模型
3．3．3 BA无标度模型拓扑性质分析
3．4 其他模型
3．4．1 自相似模型
3．4．2 局域世界演化模型
习题
本章参考文献
第4章 网络过程模型
4．1 传播模型
4．1．1 传染病模型
4．1．2 均匀网络的传播临界值分析
4．1．3 非均匀网络的传播临界值分析
4．1．4 免疫控制策略
4．2 网络同步
4．2．1 网络同步的依据
4．2．2 网络同步能力分析
习题
本章参考文献
第5章 网络特征计算方法
5．1 基本特征计算
5．2 节点统计特征计算
5．3 节点排序特征计算
5．3．1 接近中心性计算
5．3．2 介数中心性计算
5．3．3 PR值计算
5．3．4 权威值和枢纽值计算
5．4 子图特征计算
5．4．1 连通分量与强连通分量
5．4．2 极大和最大完全子图
5．4．3 模体
5．5 全图特征计算
5．5．1 单源最短路径
5．5．2 多源最短路径
5．5．3 平均路径长度和网络直径
5．5．4 网络密度
5．5．5 聚集系数
5．5．6 同配系数
习题
本章参考文献
第6章 图计算重要算法
6．1 社区发现
6．1．1 社区定义
6．1．2 评价指标
6．1．3 社区发现算法
6．1．4 社区发现趋势
6．2 链路预测
6．2．1 链路预测介绍
6．2．2 基于相似性的链路预测算法
6．2．3 基于最大似然估计的链路预测算法
6．3 信息传播
6．3．1 独立级联模型
6．3．2 线性阈值模型
6．4 面向图的表示学习
6．4．1 图表示学习的定义及目标
6．4．2 图表示学习的常用算法
习题
本章参考文献
第7章 图计算框架
7．1 大数据计算框架
7．1．1 批处理框架
7．1．2 流计算框架
7．1．3 交互式分析框架
7．1．4 其他类型的框架
7．2 常用的图计算框架
7．2．1 节点中心计算模型
7．2．2 边中心计算模型
7．2．3 路径中心计算模型
7．2．4 子图中心计算模型
7．3 图计算相关软件
7．3．1 Pregel
7．3．2 Spark GraphX
7．3．3 GraphLab
7．3．4 XStream
7．3．5 GraphLab PowerGraph
7．3．6 PathGraph
7．3．7 Apache Giraph
7．3．8 GRAPE
7．3．9 Scalable Graph
7．3．1 0TurboGraph
习题
本章参考文献
第8章 大数据下的网络计算
8．1 GraphX特性
8．1．1 GraphX的优势
8．1．2 弹性分布式属性图
8．1．3 GraphX支持的处理方式
8．1．4 GraphX支持的存储方式
8．2 用GraphX处理大规模图
8．2．1 GraphX计算模式
8．2．2 内置算法简析
8．3 大规模社交网络挖掘平台
8．3．1 平台整体设计
8．3．2 网络特征指标计算的并行化
8．3．3 社团发现算法的并行化
8．3．4 平台使用实例
8．4 Graph OLAM大规模多维网络分析框架
8．4．1 路径维度立方体模型
8．4．2 Graph OLAP简介
8．4．3 基于路径维度立方体的大规模多维网络分析框架
本章参考文献
第9章 网络科学应用
9．1 在线社交网络分析
9．1．1 虚拟社区发现
9．1．2 在线社交网络影响力分析
9．1．3 信息传播规律
9．2 知识图谱
9．2．1 知识图谱的定义与架构
9．2．2 知识图谱的构建技术
9．2．3 知识图谱的应用
9．3 复杂网络的鲁棒性
9．4 社会计算
9．4．1 社会计算的兴起与现状
9．4．2 社会计算的研究领域
9．5 用户画像
9．6 应用系统实例
9．6．1 学者画像系统
9．6．2 微博信息传播可视化工具
9．6．3 知识图谱搜索
本章参考文献
猜您喜欢
